بهبود مدلسازی تخلخل ،توسط رویکرد تئوری بیزین ترکیب اطلاعات ،در میدان نفتی آزادگان
محورهای موضوعی :عطیه مظاهری طرئی 1 , حسین معماریان 2 , بهزاد تخم چی 3 , بهزاد مشیری 4
1 - دانشگاه تهران
2 - دانشگاه تهران
3 - دانشگاه صنعتی شاهرود
4 - دانشگاه تهران
کلید واژه:
چکیده مقاله :
تخلخل یکی از سه متغیر مهم در ارزیابی ویژگی های یک میدان نفتی است .بطور معمول از نمودار های چاه نگاری به منظور تخمین تخلخل استفاده می شود تخلخلی که از این نگار ها به دست می اید ،تحت تاثیر عواملی همچون دما،فشار، نوع سیال ،میزان هیدرو کربور وشیل موجود در سازند قرار می گیرد ودر نتیجه با میزان واقعی تخلخل کمی متفاوت است .بنابر این تخمین های توام با خطا وعدم قطعیت هستند. شاید بهترین ودر عین حال عملی ترین روش جهت کاهش عدم قطعیت تخمین ها ،استفاده از منابع مختلف داده جهت تخمین ودر واقع استفاده از تکنیک های ترکیب اطلاعات باشد .کار کرد اصلی این تکنیک ها ،افزایش اطمینان وکاهش ریسک در تصمیم گیر یها است .در این تحقیق با استفاده از تکنیک های ترکیب اطلاعات (تئوری بیزین )مقادیر تخلخل در 4 چاه از میدان نفتی آزادگان تخمین زده شده است .برای بررسی قابلیت تعمیم این روش ،تخلخل در یک چاه دیگر میدان نیز تخمین زده شده است .از حداکثر هفت متغیر ورودی برای تخمین تخلخل در چاه مورد مطالعه استفاده شده است .نتایج نشان داد که تکنیک ترکیب اطلاعات (تئوری بیزین )نسبت به روش های متداول (رگرسیون چند متغیره وشبکه عصبی )که همبستگی نتایج با یافته های مغزه در این روش ها حدود 7/0تا 8/0 می باشد.،تخلخل را به مراتب ،بهتر تخمین زده است .به نحوی که همبستگی نتایج با نتایج مغزه حفاری بیش از 9/0بدست امده است .
Porosity is one of the main variables in evaluating the characteristics of an oil field. Petrophysical data are normally used to determine these variables. Measurements obtained from well logs, containes some errors and uncertainty. This porosity is influenced by different factors, such as temperature, pressure, fluid type, clay content and the and amount of hydrocarbons. One of the best, and yet most practical ways to reduce the amount of uncertainty in porosity measurement is using various sources of data and data fusion techniques. Data fusion increase certainty and confidence and reduce risk and error in decision making. In this research, the porosity is estimated in 4 wells of Azadegan oil field, with data fusion method (Bayesian theory). To check the ability of generalization of the method, the porosity was also estimated in one other well of this field. A maximum of 7 input variables were used to estimate porosity in this new approach. The results showed that data fusion technique is more powerfull than traditional tecniques for porosity estimation. According to the results, this method has higher credibility than traditional techniques that show 0.7 to 0.8 regressions with log data but data fusion technique showed solidarity over 0.9 with log data.
